How we teach computers to understand pictures | Fei Fei Li

Let me show you something.

ฉันขอแสดงอะไรบางอย่าง

(Video) Girl: Okay, that's a cat sitting in a bed.

(วิดีโอ) เด็กหญิง: เอาล่ะ นี่คือแมวนั่งอยู่บนเตียง

The boy is petting the elephant.

เด็กชายกำลังลูบคลำช้าง

Those are people that are going on an airplane.

นั่นคือคนที่กำลังเดินทางในเครื่องบิน

That's a big airplane.

นั่นคือเครื่องบินขนาดใหญ่

Fei-Fei Li: This is a three-year-old child

Fei-Fei Li: นี่เป็นเด็กอายุสามขวบ

describing what she sees in a series of photos.

กำลังอธิบายสิ่งที่เธอเห็นในชุดรูปภาพ

She might still have a lot to learn about this world,

เธออาจจะมีสิ่งของจำนวนมากที่จะ เรียนรู้เกี่ยวกับโลกนี้

but she's already an expert at one very important task:

แต่เธอก็เป็นผู้เชี่ยวชาญในงานที่สำคัญมาก

to make sense of what she sees.

ที่จะทำความเข้าใจกับสิ่งที่เธอเห็น

Our society is more technologically advanced than ever.

สังคมของเราก้าวหน้ามากขึ้นกว่าเดิม

We send people to the moon, we make phones that talk to us

เราส่งคนไปยังดวงจันทร์ เราทำโทรศัพท์ ที่พูดคุยกับเรา

or customize radio stations that can play only music we like.

หรือปรับแต่งสถานีวิทยุที่สามารถเล่น เฉพาะเพลงที่เราชอบเท่านั้น

Yet, our most advanced machines and computers

แต่เครื่องที่ทันสมัยที่สุดและคอมพิวเตอร์ ของเรา

still struggle at this task.

ยังคงต่อสู้กับงานนี้

So I'm here today to give you a progress report

วันนี้ ฉันมาที่นี่เพื่อรายงานความคืบหน้า

on the latest advances in our research in computer vision,

เกี่ยวกับความก้าวหน้าล่าสุดในการวิจัย ของเรา คอมพิวเตอร์ที่มองเห็น

one of the most frontier and potentially revolutionary

หนึ่งในแนวพรมแดนและการปฏิวัติส่วนใหญ่

technologies in computer science.

เทคโนโลยีในวิทยาการคอมพิวเตอร์

Yes, we have prototyped cars that can drive by themselves,

ใช่ เรามีรถยนต์ต้นแบบที่สามารถขับขี่ ด้วยตัวเอง

but without smart vision, they cannot really tell the difference

แต่ไม่มีวิสัยทัศน์ที่ฉลาด พวกนั้น ไม่สามารถบอกความแตกต่าง

between a crumpled paper bag on the road, which can be run over,

ระหว่างถุงกระดาษยู่ยี่บนถนนซึ่ง สามารถเรียกวิ่งทับได้

and a rock that size, which should be avoided.

กับหินในขนาดที่ควรหลีกเลี่ยง

We have made fabulous megapixel cameras,

เราได้ทำกล้องล้านพิกเซลที่ยอดเยี่ยม

but we have not delivered sight to the blind.

แต่เราไม่ได้ให้การมองเห็นแก่คนตาบอด

Drones can fly over massive land,

โดรนสามารถบินผ่านพื้นดินขนาดใหญ่

but don't have enough vision technology

แต่ไม่ได้มีเทคโนโลยีการมองเห็นเพียงพอ

to help us to track the changes of the rainforests.

เพื่อช่วยในการติดตามการเปลี่ยนแปลง ของป่าฝน

Security cameras are everywhere,

กล้องรักษาความปลอดภัยมีอยู่ทั่วไป

but they do not alert us when a child is drowning in a swimming pool.

แต่กล้องไม่แจ้งเตือนเราเมื่อเด็กกำลัง จมน้ำในสระว่ายน้ำ

Photos and videos are becoming an integral part of global life.

ภาพถ่ายและวิดีโอกลายเป็นส่วนสำคัญ ของชีวิตในโลก

They're being generated at a pace that's far beyond what any human,

กล้องถูกสร้างขึ้นด้วยความเร็วที่ไกล เกินกว่าสิ่งที่มนุษย์

or teams of humans, could hope to view,

หรือทีมงานของมนุษย์สามารถหวังว่าจะเห็น

and you and I are contributing to that at this TED.

และคุณและฉันมีส่วนร่วมในกรณีนี้ที่ TED นี้

Yet our most advanced software is still struggling at understanding

แต่ซอฟต์แวร์ขั้นสูงที่สุดของเรา ยังคงต้องดิ้นรนเพื่อให้เข้าใจ

and managing this enormous content.

และจัดการกับเนื้อหาขนาดใหญ่นี้

So in other words, collectively as a society,

ดังนั้นในคำอื่นๆ เรียกรวมกันว่าเป็นสังคม

we're very much blind,

เราเป็นคนตาบอดมาก

because our smartest machines are still blind.

เพราะเครื่องที่ชาญฉลาดของเรา ยังคงตาบอด

"Why is this so hard?" you may ask.

"ทำไมถึงยากมาก" คุณอาจถาม

Cameras can take pictures like this one

กล้องสามารถถ่ายรูปได้เช่นนี้

by converting lights into a two-dimensional array of numbers

โดยการแปลงแสงเป็นแถวสองมิติ ของตัวเลข

known as pixels,

เรียกว่าพิกเซล

but these are just lifeless numbers.

แต่สิ่งเหล่านี้เป็นเพียงตัวเลขที่ตาย

They do not carry meaning in themselves.

พิกเซลไม่มีความหมายในตัวเอง

Just like to hear is not the same as to listen,

เช่นเดียวกับที่ได้ยินไม่เหมือนกับการฟัง

to take pictures is not the same as to see,

การถ่ายภาพไม่ได้เหมือนกับการดู

and by seeing, we really mean understanding.

และโดยการเห็น เราหมายถึง ความเข้าใจจริงๆ

In fact, it took Mother Nature 540 million years of hard work

ในความเป็นจริงแล้ว ธรรมชาติต้อง ใช้เวลา 540 ล้านปีในการทำงานหนัก

to do this task,

เพื่อทำภารกิจนี้

and much of that effort

และความพยายามส่วนมาก

went into developing the visual processing apparatus of our brains,

เข้าไปในการพัฒนาอุปกรณ์การประมวลผล ภาพของสมองของเรา

not the eyes themselves.

ไม่ใช่ตาเอง

So vision begins with the eyes,

ดังนั้นการมองเห็นเริ่มต้นด้วยดวงตา

but it truly takes place in the brain.

แต่เกิดขึ้นอย่างแท้จริงในสมอง

So for 15 years now, starting from my Ph.D. at Caltech

ดังนั้น เวลา 15 ปีตอนนี้ เริ่มต้นจาก ฉันทำปริญญา Ph.D. ที่ Caltech

and then leading Stanford's Vision Lab,

และจากนั้นก็บริหารห้องแล็บ การมองเห็นของ Stanford

I've been working with my mentors, collaborators and students

ฉันได้ทำงานร่วมกับพี่เลี้ยง ผู้ทำงาน ร่วมกันและนักเรียนของฉัน

to teach computers to see.

สอนคอมพิวเตอร์ให้ดู

Our research field is called computer vision and machine learning.

สาขาการวิจัยของเราเรียกว่า computer vision และ machine learning

It's part of the general field of artificial intelligence.

เป็นส่วนหนึ่งของสาขาวิชาปัญญาประดิษฐ์

So ultimately, we want to teach the machines to see just like we do:

ดังนั้น ในที่สุดเราต้องการสอนเครื่อง ให้เห็นเช่นเดียวกับที่เราเห็น

naming objects, identifying people, inferring 3D geometry of things,

การตั้งชื่อวัตถุ ระบุบุคคล คาดคะเน รูปทรงเรขาคณิต 3D ของสิ่งของ

understanding relations, emotions, actions and intentions.

เข้าใจความสัมพันธ์ อารมณ์ การกระทำและเจตนา

You and I weave together entire stories of people, places and things

คุณและฉันสานเรื่องราวทั้งหมดของ ผู้คน สถานที่ และสิ่งต่างๆ

the moment we lay our gaze on them.

ขณะที่เราจ้องสายตาของเราไว้

The first step towards this goal is to teach a computer to see objects,

ขั้นตอนแรกสู่เป้าหมายนี้คือ การสอน คอมพิวเตอร์ให้ดูวัตถุ

the building block of the visual world.

โคงสร้างของโลกของภาพ

In its simplest terms, imagine this teaching process

ในแง่ที่ง่ายที่สุด ลองจินตนาการ กระบวนการเรียนการสอนนี้

as showing the computers some training images

แสดงคอมพิวเตอร์ภาพการฝึกซ้อม บางอย่าง

of a particular object, let's say cats,

ของวัตถุเฉพาะ สมมติว่าเป็นแมว

and designing a model that learns from these training images.

และการออกแบบรูปแบบที่เรียนรู้จาก ภาพการฝึกซ้อมเหล่านี้

How hard can this be?

มันยากขนาดไหน

After all, a cat is just a collection of shapes and colors,

ท้ายที่สุด แมวเป็นเพียงชุดของ รูปทรงและสี

and this is what we did in the early days of object modeling.

และนี่คือสิ่งที่เราทำในวันแรกๆ ของการสร้างโมเดลวัตถุ

We'd tell the computer algorithm in a mathematical language

เราจะบอกอัลกอริธีมของคอมพิวเตอร์ ด้วยภาษาทางคณิตศาสตร์

that a cat has a round face, a chubby body,

ว่าแมวมีใบหน้ากลม ลำตัวอ้วน

two pointy ears, and a long tail,

มีสองหูแหลม และหางยาว

and that looked all fine.

และดูดีทั้งหมด

But what about this cat?

แต่อะไรเกี่ยวกับแมวตัวนี้ล่ะ

(Laughter)

(เสียงหัวเราะ)

It's all curled up.

มันขดตัว

Now you have to add another shape and viewpoint to the object model.

ตอนนี้ ต้องเพิ่มรูปร่าง - มุมมองอื่นในโมเดลวัตถุ

But what if cats are hidden?

แต่ถ้าแมวถูกซ่อนไว้

What about these silly cats?

แล้วแมวโง่เหล่านี้ล่ะ

Now you get my point.

ตอนนี้คุณเข้าใจแล้ว

Even something as simple as a household pet

แม้บางอย่างง่ายๆ เป็นแบบ สัตว์เลี้ยงในครัวเรือน

can present an infinite number of variations to the object model,

สามารถนำเสนอรูปแบบรูปแบบ ของวัตถุที่ไม่มีที่สิ้นสุด

and that's just one object.

และนั่นเป็นเพียงวัตถุเดียว

So about eight years ago,

ดังนั้นประมาณแปดปีที่ผ่านมา

a very simple and profound observation changed my thinking.

การสังเกตที่ง่ายและลึกซึ้ง ได้เปลี่ยนความคิดของฉัน

No one tells a child how to see,

ไม่มีใครบอกเด็กว่าจะดูอย่างไร

especially in the early years.

โดยเฉพาะอย่างยิ่งในช่วงปีแรกๆ

They learn this through real-world experiences and examples.

เด็กเรียนรู้ผ่านประสบการณ์ และตัวอย่างแห่งความเป็นจริง

If you consider a child's eyes

ถ้าคุณพิจารณาดวงตาของเด็ก

as a pair of biological cameras,

เป็นกล้องชีวภาพหนึ่งคู่

they take one picture about every 200 milliseconds,

กล้องถ่ายภาพทุกๆ 200 มิลลิวินาที

the average time an eye movement is made.

เวลาเฉลี่ยที่เกิดจากการเคลื่อนไหว ของตา

So by age three, a child would have seen hundreds of millions of pictures

ดังนั้นเมื่ออายุสามขวบ เด็กๆ จะได้เห็นภาพหลายร้อยภาพ

of the real world.

ในโลกแห่งความจริง

That's a lot of training examples.

นี่เป็นตัวอย่างการฝึกมากมาย

So instead of focusing solely on better and better algorithms,

ดังนั้น แทนที่จะเน้นเฉพาะ อัลกอริธึมที่ดีและดีขึ้น

my insight was to give the algorithms the kind of training data

ข้อมูลเชิงลึกของฉันคือ การให้ อัลกอริทึมเป็นแบบข้อมูลการฝึกซ้อม

that a child was given through experiences

ว่าเด็กได้ผ่านประสบการณ์

in both quantity and quality.

ทั้งในด้านปริมาณและคุณภาพ

Once we know this,

เมื่อเรารู้เรื่องนี้แล้ว

we knew we needed to collect a data set

เรารู้ว่า เราจำเป็นต้องรวบรวมชุดข้อมูล

that has far more images than we have ever had before,

ที่มีภาพไกลเกินกว่าที่เราเคยมีมาก่อน

perhaps thousands of times more,

บางที อีกหลายพันครั้ง

and together with Professor Kai Li at Princeton University,

และร่วมกับศาสตราจารย์ Kai Li ที่ Princeton University

we launched the ImageNet project in 2007.

เราได้เปิดตัว ImageNet

Luckily, we didn't have to mount a camera on our head

โชคดีที่เราไม่ต้องติดกล้อง บนศีรษะของเรา

and wait for many years.

และรอเป็นเวลาหลายปี

We went to the Internet,

เราไปที่อินเทอร์เน็ต

the biggest treasure trove of pictures that humans have ever created.

เป็นขุมสมบัติที่ยิ่งใหญ่ที่สุด ของภาพที่มนุษย์สร้างขึ้น

We downloaded nearly a billion images

เราดาวน์โหลดภาพมาแล้ว เกือบพันล้านภาพ

and used crowdsourcing technology like the Amazon Mechanical Turk platform

และใช้เทคโนโลยีกระจายไปยังกลุ่มเพื่อค้นหา คำตอบ เช่นแพลตฟอร์ม Amazon Mechanical Turk

to help us to label these images.

เพื่อช่วยให้เราติดป้ายกำกับรูปภาพเหล่านี้

At its peak, ImageNet was one of the biggest employers

ในตอนท้าย ImageNet เป็นหนึ่งใน นายจ้างที่ใหญ่ที่สุด

of the Amazon Mechanical Turk workers:

ของแรงงาน Amazon Mechanical Turk:

together, almost 50,000 workers

ร่วมกันเกือบ 50,000 คน

from 167 countries around the world

จาก 167 ประเทศทั่วโลก

helped us to clean, sort and label

ช่วยให้เราสามารถทำความสะอาด จัดเรียงและติดฉลากได้

nearly a billion candidate images.

เกือบหนึ่งพันล้านภาพที่ใช้

That was how much effort it took

นั่นเป็นความพยายามอย่างมาก

to capture even a fraction of the imagery

เพื่อจับภาพแม้แต่เศษเสี้ยว

a child's mind takes in in the early developmental years.

จิตใจของเด็กใช้เวลาในการพัฒนา ระยะต้นหลายปี

In hindsight, this idea of using big data

ในการมองย้อนกลับความคิดใน การใช้ข้อมูลขนาดใหญ่นี้

to train computer algorithms may seem obvious now,

การฝึกซ้อมอัลกอริธึมของคอมพิวเตอร์ อาจดูเหมือนชัดเจนในตอนนี้

but back in 2007, it was not so obvious.

แต่กลับไปในปี 2007 ยังไม่ชัดเจนดังนั้น

We were fairly alone on this journey for quite a while.

เราค่อนข้างโดดเดี่ยวในการเดินทาง ครั้งนี้มานานแล้ว

Some very friendly colleagues advised me to do something more useful for my tenure,

เพื่อนร่วมงานแนะนำให้ทำสิ่ง ที่เป็นประโยชน์มากขึ้นต่อตำแหน่ง

and we were constantly struggling for research funding.

และเราก็พยายามดิ้นรนเพื่อหาเงินทุนวิจัย

Once, I even joked to my graduate students

ครั้งหนึ่งฉันก็พูดเล่นกับนักศึกษา ระดับบัณฑิตศึกษาของฉัน

that I would just reopen my dry cleaner's shop to fund ImageNet.

ว่าฉันเพิ่งจะเปิดร้านขายของชำของฉัน อีกครั้งเพื่อลงทุนใน ImageNet

After all, that's how I funded my college years.

เพราะนั่นเป็นเหตุผลที่ฉันให้เงินทุน แก่วิทยาลัยของฉันเป็นเวลาหลายปี

So we carried on.

ดังนั้น เราจึงดำเนินการต่อ

In 2009, the ImageNet project delivered

ในปี 2552 โครงการ ImageNet ได้จัดส่ง

a database of 15 million images

ฐานข้อมูลขนาด 15 ล้านภาพ

across 22,000 classes of objects and things

ผ่านชั้นเรียนและวัตถุต่างๆ 22,000 ชั้น

organized by everyday English words.

จัดตามคำภาษาอังกฤษในชีวิตประจำวัน

In both quantity and quality,

ทั้งในด้านปริมาณและคุณภาพ

this was an unprecedented scale.

นี่เป็นระดับที่ไม่เคยปรากฏมาก่อน

As an example, in the case of cats,

ตัวอย่างเช่น ในกรณีของแมว

we have more than 62,000 cats

เรามีแมวมากกว่า 62,000 ตัว

of all kinds of looks and poses

รูปลักษณ์และโพสท่าทุกชนิด

and across all species of domestic and wild cats.

และแมวในประเทศและป่าทั่วทุกชนิด

We were thrilled to have put together ImageNet,

เราตื่นเต้นที่ได้ใส่ใน ImageNet

and we wanted the whole research world to benefit from it,

และเราต้องการให้โลกการวิจัย ทั้งหมดได้รับประโยชน์

so in the TED fashion, we opened up the entire data set

ดังนั้น ในรูปแบบ TED เราจึง เปิดชุดข้อมูลทั้งหมด

to the worldwide research community for free.

ไปยังชุมชนการวิจัยทั่วโลกแบบฟรีๆ

(Applause)

(เสียงปรบมือ)

Now that we have the data to nourish our computer brain,

ตอนนี้ เรามีข้อมูลที่จะช่วยบำรุง สมองคอมพิวเตอร์ของเรา

we're ready to come back to the algorithms themselves.

เราพร้อมที่จะกลับมาที่อัลกอริทึม ด้วยตัวเองแล้ว

As it turned out, the wealth of information provided by ImageNet

เมื่อเปิดความมั่งคั่งของข้อมูล ที่ได้จาก ImageNet

was a perfect match to a particular class of machine learning algorithms

เป็นการจับคู่ที่สมบูรณ์แบบกับชั้นเรียน ของกลไกการเรียนรู้ของเครื่อง

called convolutional neural network,

เรียกว่าเครือข่ายประสาทแบบม้วนขด

pioneered by Kunihiko Fukushima, Geoff Hinton, and Yann LeCun

ผู้บุกเบิกคือ Kunihiko Fukushima, Geoff Hinton และ Yann LeCun

back in the 1970s and '80s.

ย้อนกลับไปในทศวรรษ 1970 และยุค 1980

Just like the brain consists of billions of highly connected neurons,

มีเซลล์ประสาทที่เชื่อมต่อกัน อย่างมากถึงพันล้าน เหมือนสมอง

a basic operating unit in a neural network

หน่วยปฏิบัติการพื้นฐานใน เครือข่ายประสาทเทียม

is a neuron-like node.

เป็นโหนดแบบเซลล์ประสาท

It takes input from other nodes

ใช้อินพุตจากโหนดอื่น

and sends output to others.

และส่งข้อมูลไปยังโหนดอื่น

Moreover, these hundreds of thousands or even millions of nodes

นอกจากนี้ นับร้อยนับพันหรือนับล้านๆ โหนด

are organized in hierarchical layers,

ถูกจัดอยู่ในชั้นลำดับชั้น

also similar to the brain.

ยังคล้ายกับสมอง

In a typical neural network we use to train our object recognition model,

ในเครือข่ายประสาททั่วไป เราการฝึกซ้อม รูปแบบการจดจำวัตถุของเรา

it has 24 million nodes,

มี 24 ล้านโหนด

140 million parameters,

140 ล้านพารามิเตอร์

and 15 billion connections.

และการเชื่อมต่อ 15 พันล้าน

That's an enormous model.

นั่นเป็นรูปแบบที่ยิ่งใหญ่

Powered by the massive data from ImageNet

ขับเคลื่อนด้วยข้อมูลขนาดใหญ่จาก ImageNet

and the modern CPUs and GPUs to train such a humongous model,

และซีพียูและ GPU ที่ทันสมัยใน การฝึกซ้อมแบบจำลองที่ใหญ่มาก

the convolutional neural network

เครือข่ายประสาทแบบม้วนขด

blossomed in a way that no one expected.

เบ่งบานในแบบที่ไม่มีใครเคยคาดหวัง

It became the winning architecture

กลายเป็นสถาปัตยกรรมที่ชนะ

to generate exciting new results in object recognition.

เพื่อสร้างผลลัพธ์ใหม่ที่น่าตื่นเต้น ในการจดจำวัตถุ

This is a computer telling us

นี่คือคอมพิวเตอร์ที่บอกเรา

this picture contains a cat

ว่าภาพนี้มีแมว

and where the cat is.

และแมวอยู่ที่ไหน

Of course there are more things than cats,

แน่นอนว่า มีอะไรมากกว่าแมว

so here's a computer algorithm telling us

ดังนั้น นี่คืออัลกอริทึมของ คอมพิวเตอร์ที่บอกเรา

the picture contains a boy and a teddy bear;

ภาพมีเด็กผู้ชายและตุ๊กตาหมี

a dog, a person, and a small kite in the background;

สุนัข บุคคล และว่าวขนาดเล็กในพื้นหลัง

or a picture of very busy things

หรือภาพของสิ่งที่ยุ่งมากๆ

like a man, a skateboard, railings, a lampost, and so on.

เหมือนชายคนหนึ่ง สเก็ตบอร์ด ราว เสาไฟ และสิ่งอื่นๆ

Sometimes, when the computer is not so confident about what it sees,

บางครั้ง เมื่อคอมพิวเตอร์ ไม่ค่อยมั่นใจในสิ่งที่มองเห็น

we have taught it to be smart enough

เราได้สอนให้ฉลาดพอ

to give us a safe answer instead of committing too much,

เพื่อให้เราคำตอบที่ปลอดภัยแทน การกระทำที่มั่นใจมากเกินไป

just like we would do,

เช่นเดียวกับที่เราจะทำ

but other times our computer algorithm is remarkable at telling us

แต่บางครั้ง อัลกอริทึมคอมพิวเตอร์ ของเราก็น่าทึ่งที่บอกเรา

what exactly the objects are,

ว่าวัตถุที่มีเป็นอะไรจริงๆ

like the make, model, year of the cars.

เช่นยี่ห้อ แบบ รุ่นปีของรถยนต์

We applied this algorithm to millions of Google Street View images

เราใช้อัลกอริทึมนี้กับภาพ Google Street View นับล้านภาพ

across hundreds of American cities,

ข้ามร้อยเมืองของอเมริกัน

and we have learned something really interesting:

และเราได้เรียนรู้สิ่งที่น่าสนใจจริงๆ

first, it confirmed our common wisdom

ประการแรก ยืนยันภูมิปัญญาทั่วไปของเรา

that car prices correlate very well

ว่าราคารถยนต์มีความสัมพันธ์กันเป็นอย่างดี

with household incomes.

กับรายได้ครัวเรือน

But surprisingly, car prices also correlate well

แต่น่าเสียดายที่ราคารถยนต์ยังมี ความสัมพันธ์กันดี

with crime rates in cities,

กับอัตราการเกิดอาชญากรรมในเมือง

or voting patterns by zip codes.

หรือรูปแบบการลงคะแนนโดย ใช้รหัสไปรษณีย์

So wait a minute. Is that it?

รอสักครู่ นี่ใช่ไหม

Has the computer already matched or even surpassed human capabilities?

คอมพิวเตอร์มีการจับคู่หรือแม้กระทั่งมี มากกว่าความสามารถของมนุษย์หรือไม่

Not so fast.

ไม่เร็วนัก

So far, we have just taught the computer to see objects.

จนถึงปัจจุบัน เราได้สอนคอมพิวเตอร์ ให้ดูวัตถุเท่านั้น

This is like a small child learning to utter a few nouns.

นี่เหมือนกับเด็กเล็กๆ ที่เรียนรู้ที่ จะพูดคำนามไม่กี่คำ

It's an incredible accomplishment,

เป็นความสำเร็จที่น่าทึ่ง

but it's only the first step.

แต่นี่เป็นเพียงขั้นตอนแรกเท่านั้น

Soon, another developmental milestone will be hit,

ในไม่ช้า การพัฒนาอีกก้าวจะฮิต

and children begin to communicate in sentences.

และเด็กเริ่มสื่อสารเป็นประโยค

So instead of saying this is a cat in the picture,

ดังนั้นแทนที่จะบอกว่านี่เป็นแมวในภาพ

you already heard the little girl telling us this is a cat lying on a bed.

คุณได้ยินแล้วสาวน้อยบอกกับ เราว่า นี่คือแมวนอนอยู่บนเตียง

So to teach a computer to see a picture and generate sentences,

ดังนั้น เพื่อสอนคอมพิวเตอร์ ให้ดูภาพและสร้างประโยค

the marriage between big data and machine learning algorithm

การจับคู่ระหว่างข้อมูลขนาดใหญ่ และกลไกการเรียนรู้ด้วยเครื่อง

has to take another step.

ต้องใช้ขั้นตอนอื่น

Now, the computer has to learn from both pictures

ขณะนี้คอมพิวเตอร์ต้องเรียนรู้จากทั้งสองรูป

as well as natural language sentences

เช่นเดียวกับประโยคภาษาธรรมชาติ

generated by humans.

ที่สร้างขึ้นโดยมนุษย์

Just like the brain integrates vision and language,

เช่นเดียวกับสมองที่รวมวิสัยทัศน์และภาษา

we developed a model that connects parts of visual things

เราพัฒนารูปแบบที่เชื่อมโยงสิ่ง ที่มองเห็นบางส่วน

like visual snippets

เช่นตัวอย่างข้อมูลภาพ

with words and phrases in sentences.

มีคำและวลีในประโยค

About four months ago,

ประมาณสี่เดือนที่ผ่านมา

we finally tied all this together

เราโยงไว้ด้วยกันทั้งหมด

and produced one of the first computer vision models

และผลิตโมเดลวิสัยทัศน์ทาง คอมพิวเตอร์เครื่องแรก

that is capable of generating a human-like sentence

ที่มีความสามารถในการสร้าง ประโยคเหมือนมนุษย์

when it sees a picture for the first time.

เมื่อเห็นภาพเป็นครั้งแรก

Now, I'm ready to show you what the computer says

ตอนนี้ฉันพร้อมที่จะแสดง สิ่งที่คอมพิวเตอร์พูด

when it sees the picture

เมื่อเห็นภาพ

that the little girl saw at the beginning of this talk.

ที่สาวน้อยเห็นในตอนต้นของการพูดคุยนี้

(Video) Computer: A man is standing next to an elephant.

(วิดีโอ) คอมพิวเตอร์: มีชายคนหนึ่งกำลังยืนอยู่ข้างช้าง

A large airplane sitting on top of an airport runway.

เครื่องบินขนาดใหญ่จอดอยู่ ในรันเวย์ของสนามบิน

FFL: Of course, we're still working hard to improve our algorithms,

FFL: แน่นอน เรายังคงทำงานอย่างหนัก เพื่อปรับปรุงอัลกอริทึม

and it still has a lot to learn.

และยังคงมีสิ่งที่จะเรียนรู้อยู่มากมาย

(Applause)

(เสียงปรบมือ)

And the computer still makes mistakes.

และคอมพิวเตอร์ยังทำผิดพลาด

(Video) Computer: A cat lying on a bed in a blanket.

(วิดีโอ) คอมพิวเตอร์: แมวนอนบนเตียงในผ้าห่ม

FFL: So of course, when it sees too many cats,

FFL:ดังนั้น แน่นอนเมื่อเห็นแมวมากเกินไป

it thinks everything might look like a cat.

เครื่องคิดว่าทุกอย่างอาจดูเหมือนแมว

(Video) Computer: A young boy is holding a baseball bat.

(วิดีโอ) คอมพิวเตอร์: เด็กหนุ่มคนหนึ่งกำลังถือไม้เบสบอล

(Laughter)

(เสียงหัวเราะ)

FFL: Or, if it hasn't seen a toothbrush, it confuses it with a baseball bat.

FFL: หรือถ้ายังไม่เคยเห็นแปรงสีฟัน ก็จะสับสนกับไม้ตีเบสบอล

(Video) Computer: A man riding a horse down a street next to a building.

(วิดีโอ) คอมพิวเตอร์: คนขี่ม้าไปตาม ถนนข้างตึก

(Laughter)

(เสียงหัวเราะ)

FFL: We haven't taught Art 101 to the computers.

FFL: เราไม่ได้สอนวิชา Art 101 ให้แก่คอมพิวเตอร์

(Video) Computer: A zebra standing in a field of grass.

(วิดีโอ) คอมพิวเตอร์: ม้าลายยืนอยู่ในทุ่งหญ้า

FFL: And it hasn't learned to appreciate the stunning beauty of nature

FFL: และยังไม่ได้เรียนรู้ที่จะชื่นชมความงาม อันน่าทึ่งของธรรมชาติ

like you and I do.

เช่นคุณและฉัน

So it has been a long journey.

ดังนั้น จึงเป็นการเดินทางที่ยาวนาน

To get from age zero to three was hard.

เพื่อให้ได้มาตั้งแต่อายุศูนย์ ถึงสามปี ยังเป็นเรื่องยาก

The real challenge is to go from three to 13 and far beyond.

ความท้าทายที่แท้จริงคือ การไป จากสามปีถึง 13 ปีและไกลเกินกว่านั้น

Let me remind you with this picture of the boy and the cake again.

ฉันขอเตือนคุณด้วยภาพของ เด็กชายและเค้กนี้อีกครั้ง

So far, we have taught the computer to see objects

จนถึงปัจจุบัน เราได้สอน คอมพิวเตอร์ให้ดูวัตถุ

or even tell us a simple story when seeing a picture.

หรือแม้กระทั่งบอกเล่าเรื่องราว ที่เรียบง่ายเมื่อได้เห็นภาพ

(Video) Computer: A person sitting at a table with a cake.

(วิดีโอ) คอมพิวเตอร์: คนนั่งอยู่ที่โต๊ะกับเค้ก

FFL: But there's so much more to this picture

FFL: แต่มีอะไรมากขึ้นในภาพนี้

than just a person and a cake.

ไม่ใช่แค่คนและเค้ก

What the computer doesn't see is that this is a special Italian cake

สิ่งที่คอมพิวเตอร์ไม่เห็นคือ นี่เป็นเค้กอิตาเลียนพิเศษ

that's only served during Easter time.

ที่ให้บริการเฉพาะในช่วงเทศกาลอีสเตอร์

The boy is wearing his favorite t-shirt

เด็กชายกำลังใส่เสื้อยืดที่ชอบ

given to him as a gift by his father after a trip to Sydney,

พ่อให้เขาเป็นของขวัญหลังจาก เดินทางไปซิดนีย์

and you and I can all tell how happy he is

และคุณและฉันทั้งหมดสามารถ บอกได้ว่า เด็กมีความสุขแค่ไหน

and what's exactly on his mind at that moment.

และสิ่งที่อยู่ในใจของเขาในขณะนั้น

This is my son Leo.

นี่คือลีโอลูกชายของฉัน

On my quest for visual intelligence,

ในการสืบเสาะของฉันต่อปัญญาจากภาพ

I think of Leo constantly

ฉันคิดถึงเลโออย่างต่อเนื่อง

and the future world he will live in.

และโลกอนาคตที่ลูกจะมีชีวิตอยู่

When machines can see,

เมื่อเครื่องสามารถมองเห็น

doctors and nurses will have extra pairs of tireless eyes

แพทย์และพยาบาลจะมีสายตา ที่ไม่รู้จักเหน็ดเหนื่อย

to help them to diagnose and take care of patients.

เพื่อช่วยในการวินิจฉัยและดูแลผู้ป่วย

Cars will run smarter and safer on the road.

รถยนต์จะทำงานได้อย่างชาญฉลาด และปลอดภัยยิ่งขึ้นบนท้องถนน

Robots, not just humans,

หุ่นยนต์ไม่ใช่แค่มนุษย์

will help us to brave the disaster zones to save the trapped and wounded.

จะช่วยให้เรากล้าได้กล้าเสียในเขตภัยพิบัติ เพื่อช่วยผู้ที่ติดกับและได้รับบาดเจ็บ

We will discover new species, better materials,

เราจะค้นพบสายพันธุ์ใหม่ วัสดุที่ดีขึ้น

and explore unseen frontiers with the help of the machines.

และสำรวจแนวที่มองไม่เห็นด้วย ความช่วยเหลือของเครื่อง

Little by little, we're giving sight to the machines.

เรากำลังให้เครื่องมองเห็นทีละเล็กทีละน้อย

First, we teach them to see.

อันดับแรก เราสอนให้เครื่องเห็น

Then, they help us to see better.

จากนั้น ก็ช่วยให้เราดูดีขึ้น

For the first time, human eyes won't be the only ones

เป็นครั้งแรก ดวงตาของมนุษย์จะไม่ ขบคิดและ

pondering and exploring our world.

สำรวจโลกของเราอย่างโดดเดี่ยว

We will not only use the machines for their intelligence,

เราจะไม่เพียงแต่ใช้เครื่องเพื่อสติปัญญา ของเครื่อง

we will also collaborate with them in ways that we cannot even imagine.

เราจะร่วมมือกับเครื่องด้วยวิธีที่ เราไม่สามารถจินตนาการได้

This is my quest:

นี่คือภารกิจของฉัน

to give computers visual intelligence

ทำให้คอมพิวเตอร์ฉลาด

and to create a better future for Leo and for the world.

และเพื่อสร้างอนาคตที่ดีขึ้นสำหรับ ลีโอและสำหรับโลก

Thank you.

ขอขอบคุณ

(Applause)

(เสียงปรบมือ)